نسرین بیرانوند؛ علیرضا سپه وند؛ علی حقی‌زاده
چکیده
این تحقیق با استفاده از الگوریتم‌های یادگیری ماشین به بررسی کارآیی مدل‌های RF, RepTree, GP-PUK, GP-RBF, M5P برای مدل‌سازی بارانحلالی در زیرحوضه‌های خرم‌آباد، بیرانشهر و الشتر در استان لرستان پرداخته شد. داده‌های ورودی شامل بارش، دبی، دبی یک روز قبل، میانگین دبی (دبی همان روز و یک روز قبل) همچنین داده خروجی رسوب انحلالی رودخانه‌ها می‌باشد. ...
بیشتر
این تحقیق با استفاده از الگوریتم‌های یادگیری ماشین به بررسی کارآیی مدل‌های RF, RepTree, GP-PUK, GP-RBF, M5P برای مدل‌سازی بارانحلالی در زیرحوضه‌های خرم‌آباد، بیرانشهر و الشتر در استان لرستان پرداخته شد. داده‌های ورودی شامل بارش، دبی، دبی یک روز قبل، میانگین دبی (دبی همان روز و یک روز قبل) همچنین داده خروجی رسوب انحلالی رودخانه‌ها می‌باشد. در این تحقیق برای مدل‌سازی در مرحله آموزش 70 درصد داده‌ها و در مرحله آزمایش 30 درصد باقیمانده مورد استفاده قرار گرفتند. در نهایت برای مقایسه نتایج مدل‌های مختلف و انتخاب بهترین مدل، از معیارهای سنجش خطای ریشه میانگین مربعات خطا (RMSE)، ضریب همبستگی (C.C) و میانگین مربعات خطا (MAE) استفاده شد. نتایج نشان داد باتوجه به معیارهای ارزیابی مدل GP با دو تابع کرنل PUK و RBF در دوره پرآبی و کم‌آبی عملکرد بهتری را نسبت به سایر مدل‌ها داشته است. نتایج به‌دست آمده در دوره پرآبی نشان داد که در ایستگاه‌های چم‌انجیر، سراب صیدعلی و کاکارضا مدل GP-RBF و در ایستگاه هیدرومتری بهرام‌جو مدل GP-PUK با بیشترین ضریب همبستگی و کمترین خطا در مرحله آزمایش به‌عنوان مدل‌های بهینه برای تخمین بار انحلالی انتخاب شدند. همچنین در ایستگاه‌های هیدرومتری بهرام‌جو، چم‌انجیر و سراب صیدعلی مدل GP-RBF و در ایستگاه هیدرومتری کاکارضا مدل GP-PUK به‌عنوان مدل بهینه برای تخمین بار انحلالی در دوره کم‌آبی انتخاب شدند. بنابراین، با توجه به نتایج به دست آمده، می‌توان برای مدیریت کیفیت و کمیت منابع آب سطحی از مدل‌های بهینه GP-PUK و GP-RBF برای تخمین بار انحلالی رودخانه‌های فاقد ایستگاه هیدرومتری در حوضه‌های کارستی استفاده کرد.
مریم اسدی؛ علی فتح‌زاده
چکیده
آگاهی از میزان رسوب معلق رودخانه‌ها یکی از مسائل اساسی در پروژه‌های آبی است که طراحان تأسیسات آبی همواره با آن روبرو بوده‌اند. با توجه به صرف هزینه و زمان طولانی جهت اندازه‌گیری بار معلق رودخانه‌ها، استفاده از منحنی‌های سنجۀ رسوب معمول‌ترین روش برآورد بار رسوب معلق رودخانه‌ها محسوب می‌گردد. این در حالی است که روش‌های نوین ...
بیشتر
آگاهی از میزان رسوب معلق رودخانه‌ها یکی از مسائل اساسی در پروژه‌های آبی است که طراحان تأسیسات آبی همواره با آن روبرو بوده‌اند. با توجه به صرف هزینه و زمان طولانی جهت اندازه‌گیری بار معلق رودخانه‌ها، استفاده از منحنی‌های سنجۀ رسوب معمول‌ترین روش برآورد بار رسوب معلق رودخانه‌ها محسوب می‌گردد. این در حالی است که روش‌های نوین مبتنی بر هوش مصنوعی و داده‌کاوی در بسیاری از علوم مهندسی رخنه کرده است. بر همین اساس هدف اصلی این تحقیق به چالش کشیدن توانمندی روش کلاسیک برآورد بار معلق در مقایسه با برخی روش‌های نوظهور می‌باشد. ما در این پژوهش شش مدل،K نزدیک‌ترین همسایه، شبکۀ عصبی پس انتشار خطا، فرآیند گوسی، درخت تصمیم‌گیری M5، ماشین‌بردار پشتیبان و ماشین‌بردار پشتیبان تکاملی را انتخاب و به مقایسۀ آنها با مدل سنجۀ رسوب در هشت حوزۀ آبخیز واقع در استان گیلان پرداختیم. طول دوره آماری داده‌های ورودی به مدل‌ها به صورت روزانه و 30 ساله در نظر گرفته شد. ارزیابی نتایج حاصله نشان داد مدل فرآیند گوسی در مقایسه با سایر مدل‌ها، با کمترین مجموع مربعات باقیمانده (RMSE) (متوسط مجموع مربعات باقی مانده= 05/37 در هشت حوزه) و بیشترین ضریب همبستگی (r) (متوسط ضریب همبستگی 72/0 در هشت حوزه) و با بهترین ضریب ناش- ساتکلیف (متوسط 66/0 در هشت حوزه) نسبت به سایر مدل‌ها از کارآیی بیشتری برخوردار است. لذا استفاده از مدل‌های مذکور به جای روش‌های معمول برآورد بار معلق می‌تواند دقت این برآوردها را به میزان قابل ملاحظه‌ای بهبود بخشد.
